1、基于 PNN 算法的多传感器火灾探测技术研究 张志华 许开立 李增 东北大学资源与土木工程学院 中国人民武装警察部队学院 摘 要： 从传统算法和人工神经网络算法两方面, 总结火灾探测中的多特征信息融合算法。以火焰、烟雾、CO 和 CO2四种火灾特征的组合为例, 基于 MATLAB, 运用PNN 对实验采集到的数据进行训练和仿真测试。测试结果表明, 采用 PNN 将多传感器信息融合后对火灾探测的准确度远高于单一种类火灾探测器;当扩展系数取 0.3 时, PNN 对测试数据进行模式识别的准确度可高达 98.95%。训练后的PNN 可以更好地用于火灾的探测。关键词： 消防; 火灾探测; PNN; 多
2、传感器; 作者简介：张志华 (1975-) , 男, 河南上蔡人, 中国人民武装警察部队学院消防指挥系通信指挥教研室副教授, 东北大学在读博士研究生, 主要从事消防通信及火灾自动报警研究, 河北省廊坊市安次区西环路 220 号, 065000。收稿日期：2017-05-16基金：河北省科技厅项目 (16210339) Study on the multi-sensor fire detection technology based on probabilistic neural network algorithmZHANG Zhi-hua XU Kai-li LI Zeng School of
3、 Resources The Chinese Peoples Armed Police Forces Academy; Abstract： In points of traditional algorithm and artificial neural network algorithm, the multi feature information fusion algorithms for fire detection were summarized. Taking the combination of flame, smoke, carbon monoxide and carbon dio
4、xide as an example, and based on MATLAB, the data collected in the experiment were trained and tested using PNN. The testing results showed that fire detection technology combining the information from several sensorsby PNN has higher accuracy than single type fire detector;when the expansion coeffi
5、cient is 0.3, the accurate rate of the data pattern recognition using PNN can be as high as 98.95%. Therefore, the trained PNN network can be better used for fire detection.Keyword： fire protection; fire detection; PNN; multi-sensor; Received： 2017-05-16火灾自动报警系统是现代消防不可缺少的安全设施, 是人们早期发现火灾并及时采取有效措施控制和扑
6、灭火灾的重要保证。目前, 最常用的火灾探测传感器主要是基于热、烟和气体等火灾特征。由于每一类型火灾传感器都有特定的应用场合和范围, 且在实际应用中火灾探测环境复杂而多样, 采取单一种类传感器的火灾自动报警系统误报和漏报率很高。其原因主要有两种:一是单种火灾探测传感器仅描述火灾发展过程的部分信息;二是单种火灾探测传感器在有火环境和无火环境中的输出值有重叠。多传感器组合火灾探测技术通过分析来自不同种类传感器的数据并与相关数据库进行比较, 能够获得比单一种类传感器更高的探测准确度和可靠性。目前, 虽然已有学者在这方面进行了研究并取得一定的成果, 但也存在一些问题, 主要表现在两个方面:一是火灾特征组
7、合的选取不是最优;二是采用的信息融合算法存在问题。笔者将以上述问题为切入点, 对多传感火灾探测技术进行相关探讨。1 火灾探测中的多特征信息融合算法在多传感器信息获取的基础上, 采用信息融合算法完成决策过程是多特征信息融合火灾探测技术的核心。笔者将信息融合算法分为传统算法和人工神经网络算法两大类。1.1 传统算法传统信息融合算法主要有阈值法、关系式法以及模糊逻辑推理算法等。所谓阈值法就是针对不同传感器数据的阈值采用“AND/OR”的判断准则区分火灾和干扰源的算法。在阈值法的基础上一些研究者提出了基于多传感器的关系式法用于火灾探测, 该算法比阈值判断的 AND/OR 准则有更好的性能。也有一些研究
8、者在多传感器火灾探测技术中应用了模糊逻辑推理算法。例如, 基于模糊准则的多传感器火灾探测系统, 采用灰度模糊算法的双传感器探测系统。以上传统算法比较成熟且效果较好, 但是火灾特征信息的提取非常困难, 实际应用中难以实现。1.2 人工神经网络算法由于人工神经网络相比传统信息融合算法具有很强的学习、联想记忆、分类识别、容错和自适应等能力, 目前已有很多学者采用神经网络进行多特征信息融合。为了得到可靠的火灾探测结果, 神经网络在应用中一般需要大量的训练数据来训练网络及调整网络结构、权重和阈值。因此, 神经网络的结构设计和训练数据的获取是关键。目前, 应用于信息融合算法的神经网络模型大部分是常见的 B
9、P 网络。通过表 1中 PNN 与 BP 的性能指标对比分析, 笔者认为在多传感器组合火灾探测中采取PNN 相比 BP 能获得更好的效果。表 1 PNN 与 BP 的性能指标对比 下载原表 2 应用实例2.1 火灾特征组合的选择根据文献资料, 目前最常见的火灾特征组合主要有多种气体的组合、气体和烟雾的组合、烟雾和热特性的组合以及气体、烟雾和热特性的组合等类型。一般来说, 更多种类传感器的组合能够获得比单一传感器或种类较少的传感器组合更佳的性能;但并不是传感器种类和数量越多越好, 传感器过多既增加了成本和信息融合算法的复杂性, 又会因信息过载而导致火灾探测性能的降低。通常, 3 种或 4 种火灾
10、特征组合是最具有实际应用前景的组合方式, 既能获得较好的探测效果又经济可行。多传感器组合火灾探测必须考虑有效的火灾特征组合。此应用实例选用火焰、烟雾、CO 和 CO2火灾特征的组合。笔者选用的火焰传感器为红外火焰型传感器, 该传感器只对火焰辐射出的红外光响应, 而不受自然光的影响, 并且该传感器具有高灵敏度, 能在 5 m 以上范围内探测出 25 mm 高的火焰。2.2 实验数据的采集为了获取实验数据, 笔者设计了便携式的数据采集系统。该数据采集系统主要由控制器和红外火焰型传感器、点式离子感烟传感器、CO 气体传感器和 CO2气体传感器等组成。采集系统与计算机通过串口实现通信。实验中数据采集时
11、间间隔设置为 5 s, 记录的每一组数据分别代表以上 4 种传感器的输出值。为了保证获取的实验数据的广泛性和代表性, 实验中模拟不同场所、不同火灾类型分批次采集了大量无火与有火时的环境参数。从表 2 的各传感器的输出范围可以看出, 在无火与有火环境下各传感器的输出值均有较高的重合度。这也进一步验证了采用单一种类传感器误报率均较高的结论。表 2 各传感器的输出范围 下载原表 2.3 训练数据与测试数据的划分与组织神经网络需要将实验所得数据划分为训练数据和测试数据两类, 并且要尽量使每个类别的样本数量相等以保证数据类别的均衡。此实例从实验数据中随机选取 1 000 个样本 (无火和有火各 500
12、个) 作为训练数据, 400 个样本 (无火和有火各 200 个) 作为测试数据。为了避免神经网络训练时出现振荡使训练时间延长, 数据的组织采用了从训练数据集中随机选择输入的方式。2.4 概率神经网络 (PNN) 的结构设计概率神经网络 (PNN) 是一种基于贝叶斯分类规则与 Parzen 的概率密度函数估计方法发展而来的并行算法。PNN 由输入层、模式层、求和层、输出层组成, 模式层、求和层合起来被称为径向基层或隐含层, 输出层也称为决策层或竞争层。此实例中, 输入层神经元数目等于输入样本矢量的维数, 所以输入层神经元数为 4, 分别代表火焰、烟雾、CO 和 CO2传感器的输入值;模式层神经
13、元数决定于训练样本总数, 此实例中模式层神经元数为 1 000, 每个模式单元的输出表示输入特征向量与训练集中各个模式的接近程度;求和层和输出层神经元数都等于训练样本数据的种类个数, 由于火灾探测只能区分无火和有火两种类别, 所以求和层及输出层神经元数均为 2。求和层依据 Parzen 方法将属于某类的概率累计, 输出决策层根据从求和层输出的各类估计概率, 按贝叶斯分类规则将输入样本分到具有最大后验概率值的类别中去, 概率最大的那个神经元输出为 1, 而其他神经元输出全为 0。此实例中, 当输出值 y1=0 且 y2=1 时, 表示无火;当y1=1 且 y2=0 时, 表示有火。2.5 基于
14、MATLAB 的 PNN 的创建与仿真测试扩展系数 SPREAD 是 PNN 设计时最重要的一个参数, 合理选择 SPREAD 值非常重要。一般 SPREAD 的选取取决于输入向量之间的距离。因此, 在设计网络时, 需要用不同的 SPREAD 值进行尝试, 并最终确定一个最优值。为了提高神经网络的性能, 首先需要对输入数据进行归一化处理。此实例中把训练样本和测试样本各输入向量使用 mapminmax 函数统一规划到-1, 1区间内。然后在 MATLAB 中使用 newpnn 函数创建一个包含 1 000 个训练样本的 PNN, 并用 sim 函数将 400 个测试样本输入已经训练好的 PNN
15、中进行仿真测试。为了准确评判训练后的 PNN 的预测效果, 首先将测试样本理论输出和实际输出利用vec2ind 函数将向量转换为类别 (0 表示无火, 1 表示有火) , 然后利用公式:对火灾类别准确判断的测试样本数目/测试样本总数 (400) 100%, 计算出测试准确度。表 3 为扩展系数 SPREAD 取不同值时的测试准确度。此实例中采取 5次测试的平均值作为测试准确度的最终判断依据。表 3 不同扩展系数下的多传感器组合测试准确度 下载原表 由表 3 可知, 当扩展系数 SPREAD 取 0.3 时, 测试准确度最高, 平均为98.95%。因此, 扩展系数 SPREAD 取 0.3 时,
16、 通过训练最后得到的 PNN 可以更好地用来进行火灾的探测。笔者针对扩展系数 SPREAD 为 0.3 时的单一种类传感器及传感器组合对火灾识别的准确度进行了测试。测试结果如表 4 所示。表 4 扩展系数取 0.3 时的测试准确度 下载原表 从表 4 中的数据对比分析可以看出, 采用火焰、烟雾、CO 和 CO2等传感器的组合相比采用单一种类传感器具有更高的火灾探测准确度。3 结束语笔者针对传统单一种类传感器在火灾探测中误报率较高的问题, 提出了基于PNN 的多传感器组合火灾探测技术。并以火焰传感器、烟雾传感器、一氧化碳气体传感器和二氧化碳气体传感器的组合为例, 运用 PNN 对实验采集到的数据
17、进行测试, 测试结果表明, 采用 PNN 将多传感器信息融合后对火灾探测的准确度远高于单一种类的火灾传感器;并且当扩展系数取 0.3 时, PNN 对测试数据进行模式识别的准确度可高达 98.95%。因此, 训练最后得到的 PNN 可以更好地进行火灾的探测。但是, 由于实验环境和实验条件的限制, 采集到的数据具有一定的局限性, 训练后的 PNN 对更多样本的泛化能力还需要进一步的检验。参考文献1丘启敏, 郑嫦娥, 田野, 等.基于多传感器融合的林火监测J.安全与环境学报, 2015, 15 (1) :111-117. 2王学贵.基于多传感器信息融合的火灾危险度分布确定系统研究D.合肥:中国科学
18、技术大学, 2013. 3王小川, 史峰, 郁磊, 等.MATLAB 神经网络 43 个案例分析M.北京:北京航空航天大学出版社, 2013. 4田树仁.基于神经网络的智能电气火灾预警系统设计J.消防科学与技术, 2015, 34 (9) :1201-1204. 5赵建华, 喻益超, 李庄.火灾气体辨识的人工神经网络方法研究J.消防科学与技术, 2006, 25 (5) :675-678. 6骆正山, 蒋丽云.基于概率神经网络的油气管道的可靠性评估J.消防科学与技术, 2015, 34 (11) :1517-1520. 7FALLOWS E A, CLEARY T G, MILLER J H.
19、Development of a multiple gas analyzer using cavity ring down spectroscopy for use in advanced fire detectionJ.Applied Optics, 2009, 48:695-703. 8CHEN S J, HOVDE D C, PETERSON K A, et al.Fire detection using smoke and gas sensorsJ.Fire Safety Journal, 2007, 42:507-515. 9LITTON C D, PERERA I E.Evaluation of criteria for the detection of fires in underground conveyor belt haulage waysJ.Fire Safety Journal, 2012, 47:110-119. 10傅荟璇, 赵红.MATLAB 神经网络应用设计M.北京:机械工业出版社, 2010.
